基于脑机接口的控制器

为实现大脑与设备的通讯,研究基于脑机接口的控制器．本文研究脑电信号（EEG）的特征提取,实验通过E．Prime心理学软件结合Neuroscan公司生产的64导脑电采集设备获取脑电原始信号,利用小波算法对原始脑电信号进行分析,提取感兴趣的频段小波系数作为特征;分析脑电信号的功率谱,基于Fisher准则设计分类器．本文在研究脑机接口（Brine．ComputerInterface,BCI）的基础上通过想象实现了对运动的控制．以轮椅为实际控制对象,仅仅通过两个电极采集脑电信号,设计制作了控制器,理论验证实验成功的通过想象控制轮椅的四个方向的运动．本文最后还探讨了脑机接口的应用前景．     

基于时频域的卷积神经网络运动想象脑电信号识别方法

针对目前运动想象脑电（EEG）信号识别率较低的问题，考虑到脑电信号蕴含着丰富的时频信息，提出一种基于时频域的卷积神经网络（CNN）运动想象脑电信号识别方法。首先，利用短时傅里叶变换（STFT）对脑电信号的相关频带进行预处理，并将多个电极的时频图组合构造出一种二维时频图；然后，针对二维时频图的时频特性，通过一维卷积的方法设计了一种新颖的CNN结构；最后，通过支持向量机（SVM）对CNN提取的特征进行分类。基于BCI数据集的实验结果表明，所提方法的平均识别率为86.5%，优于其他传统运动想象脑电信号识别方法；同时将该方法应用在智能轮椅上，验证了其有效性。     

基于深度置信网络的高分辨率雷达距离像识别

为提高雷达目标识别准确率,提出了一种基于深度置信网络（DBN）的高分辨率雷达距离像（HRRP）识别方法。首先利用受限玻尔兹曼机（RBM）对HRRP数据进行逐层无监督训练,根据对比散度（CD）算法更新网络参数,通过误差重构设计DBN深度;而后利用反向传播（BP）机制对DBN模型参数进行有监督的微调;最后基于该模型实现了HRRP的分类与识别。实验结果表明,与传统神经网络相比,基于深度置信网络的识别准确率及噪声鲁棒性显著提高,识别准确率可提高8.5%。     

基于FFT-DBN的行星齿轮箱齿面磨损故障智能判定方法研究

为智能、准确地实现行星齿轮箱齿面磨损故障判定，提出了基于快速傅里叶变换（FFT）和深度置信网络（DBN）的智能判定方法。首先利用FFT将采集到的振动信号由时域转换到频域，然后输入到DBN分类模型中，最后利用Softmax分类器给出判定结果。该方法是一种人工智能（AI）方法，以行星齿轮箱实验数据为例进行分析,结果表明，与笔者之前研究成果相比，所提出的方法智能化程度更高、结果更准确。     

基于改进HHT和样本熵的脑电信号特征提取

针对运动想象脑电信号在经验模态分解（EMD）后人为选取固有模态函数（IMF）导致重构信号混入噪声且丢失有用信息的问题,提出一种改进希尔伯特‐黄变换（HHT）和样本熵结合的特征提取方法。在原始脑电信号经过EMD后,计算各个IM F与原始信号的相关系数以及IM F中瞬时频率在μ／β节律频带内的个数,提取有效IM F的能量均值,联合计算脑电信号的样本熵构成特征向量,采用支持向量机（SVM ）分类器对提取的特征进行分类,在智能轮椅平台上对算法进行验证。验证结果表明,采用改进 HHT结合样本熵的智能轮椅系统有较高正确识别率,稳定性更好。     

Bagging RCSP脑电特征提取算法

正则化共空间模式（Regularized common spatial pattern,RCSP）解决了共空间模式（Common spatial pattern,CSP）对噪声敏感的问题,但它在小样本脑电数据集中的表现并不理想.针对上述问题,本文提出了Bagging RCSP（BRCSP）算法,通过Bagging方法重复选取训练数据来构造一个个包,并提取RCSP特征,再利用线性判别分析（Linear discriminant analysis,LDA）将特征向量映射到低维空间中,最后采用最近邻（Nearest neighborhood classifier,NNC）算法判定分类结果.线下实验证明,相比较聚合正则化共空间模式（RCSP with aggregation,RCSP-A）,BRCSP的平均准确率提高了2.92%,且方差更小,鲁棒性更好.最后,在智能轮椅平台上,10位受试者利用BRCSP算法实现左右手运动想象脑电信号控制轮椅完成"8"字形路径的实验,证明了该算法在脑电信号特征提取中的有效性.     

基于深度学习的太阳能电池片表面缺陷检测方法

目前对太阳能电池片的缺陷检测仍依赖人工完成,很难通过传统的CCD成像系统自动识别.作为一种多层神经网络学习算法,深度学习因对输入样本数据强大的特征提取能力而受到广泛关注.文中提出一种基于深度学习的太阳能电池片表面缺陷检测方法,该方法首先根据样本特征建立深度置信网络(DBN),并训练获取网络的初始权值;然后通过BP算法微调网络参数,取得训练样本到无缺陷模板之间的映射关系;最后利用重构图像与缺陷图像之间的对比关系,实现测试样本的缺陷检测.实验表明DBN能较好地建立上述映射关系,且准确、快速地进行缺陷检测.     

脑力驱动残疾人轮椅与脑电波图像显示设计

结合嵌入式系统和脑-机接口技术,构建脑力驱动残疾人轮椅系统。首先利用脑电信号(EEG信号)的采集芯片装置TGAM对脑电信号进行采集;其次通过蓝牙模块将TGAM和计算机相连接,将采集到的脑波原始数据传输到计算机上,利用e Sense算法将脑电数据进行量化;然后再通过蓝牙无线连接到Arduino轮椅控制平台,通过I/O控制口实现脑力对轮椅的控制;最后提出采用多语言混合编程的方法实现脑电信号的图像显示,相比单一语言编程的图像显示,多语言混合编程法更好地显示了脑电信号的三维图像。     

深度置信网络模型及应用研究综述

介绍深度置信网络（DBN）理论基础的发展,对比分析深层结构DBN与浅层网络结构的差异,最后引用多篇文献分析研究DBN在文字检测、人脸及表情识别领域和遥感图像领域的应用效果。全面介绍了深度学习模型DBN,深入分析DBN的构建与实际应用,为研究人员提供改进DBN的思路,以期在未来将其运用到更宽广的新兴领域中。     

基于水平可视图多元联合模体熵的多维EEG情感脑电信号识别

目前,许多基于深度学习和神经网络的算法被应用于脑电(electroencephalogram, EEG)信号情感识别.然而,现有研究大多采用提取单维脑电信号特征的方法.随着多传感技术的更新,更具全面性和系统性的多维信号特征提取需求出现.本文尝试将复杂网络研究应用到多维情感脑电识别中,提出一种基于水平可视图多元联合模体熵的情感识别算法,该方法可以有效避免人工选取特征对实验结果的影响,保持原始序列的非线性动力学特征.首先利用水平可视图算法将多维情感脑电信号分别转换为多路可视图网络,提取模体熵特征识别情感脑电研究中的关键频带和关键通道.在此基础上,将水平可视图网络两两联合,提取多元水平联合模体熵向量,作为输入参数对情感脑电信号进行识别.由于情感脑电序列长度会对识别效果产生影响,我们将脑电信号切割成大小不一的窗口,对比不同窗口大小对分类准确率的影响.实验结果表明,当切割窗口大小为10 s时,多元水平联合模体熵对情感脑电信号的识别效果最佳,对积极脑电/消极脑电、积极脑电/中性脑电、消极脑电/中性脑电的分类准确率分别达到95.07%, 97.73%, 90.26%,优于其他二维连接参数.同时,三分...     

FDBN: Design and development of Fractional Deep Belief Networks for speaker emotion recognition

With an essential demand of human emotional behavior understanding and human machine interaction for the recent electronic applications, speaker emotion recognition is a key component which has attracted a great deal of attention among the researchers. Even though a handful of works are available in the literature for speaker emotion classification, the important challenges such as, distinct emotions, low quality recording, and independent affective states are still need to be addressed with good classifier and discriminative features. Accordingly, a new classifier, called fractional deep belief network (FDBN) is developed by combining deep belief network (DBN) and Fractional Calculus. This new classifier is trained with the multiple features such as tonal power ratio, spectral flux, pitch chroma and Mel frequency cepstral coefficients (MFCC) to make the emotional classes more separable through the spectral characteristics. The proposed FDBN classifier with integrated feature vectors is tested using two databases such as, Berlin database of emotional speech and real time Telugu database. The performance of the proposed FDBN and existing DBN classifiers are validated using False Acceptance Rate (FAR), False Rejection Rate (FRR) and Accuracy. The experimental results obtained by the proposed FDBN shows the accuracy of 98.39 and 95.88 % in Berlin and Telugu database.     

基于迁移学习的小样本齿轮箱故障诊断方法

实际工程场景中齿轮箱受工况、环境等因素影响,数据难以满足特征分布相同、训练数据充足等条件,如何在变工况情况下对齿轮故障进行诊断是故障诊断领域一大难点。为此,提出了一种结合Logistic混沌麻雀搜索优化算法(LSSA)与深度置信网络(DBN)的智能故障诊断方法,即LSSADBN。首先,将时域振动信号进行快速傅里叶变换(FFT)转换为频域信号作为训练数据集,运用Logistic混沌映射对SSA种群进行初始化,采用LSSA方法对训练数据集进行DBN结构寻优;使用最优结构DBN对源域训练集进行预训练,并加入少量目标域样本用于反向权重调优,最终实现在小样本情况下对目标域齿轮箱健康状况的准确识别。实验对比结果证明,LSSADBN方法在模型调优阶段具有更快的收敛速度,且针对不同的目标域进行迁移时都具备较高的准确率,LSSADBN方法的研究对小样本情况下的齿轮箱故障诊断具有一定的应用价值。     

基于深度学习的航空发动机传感器故障检测

针对传统反向传播(BP)神经网络和支持向量机(SVM)存在的过拟合、维数灾难、参数选择困难等问题,提出了一种基于深度学习算法的航空发动机传感器故障检测方法.对发动机参数记录仪采集的多维数据进行预处理,建立基于深度置信网络(DBN)的故障检测模型,利用预处理后的数据对检测模型进行训练,经过DBN故障检测模型逐层特征学习实现了传感器故障检测.仿真结果表明:在无人工特征提取和人工特征提取的情况下,基于DBN故障检测的准确率均高于BP神经网络和SVM模型.     

基于多类运动想象任务的EEG信号分类研究

针对多类运动想象脑电信号个体差异性强和分类正确率比较低的问题,提出了一种时-空-频域相结合的脑电信号分析方法:首先利用小波包对EEG原始信号进行分解,根据EEG信号的频域分布提取出运动想象脑电节律,通过“一对多”共空间模式(CSP)算法对不同运动想象任务的脑电节律进行空间滤波提取特征;然后将特征向量输入到“一对多”模式下的支持向量机(SVM)中,并利用判断决策函数值的方法对SVM的输出结果进行融合;最后通过引入时间窗对脑电信号进行时域滤波,消除运动想象开始和结束时脑电的波动,进一步提高信号信噪比和算法的分类效果;实验结果显示:在时间窗为2 s时,平均最大Kappa系数达到了0.72,比脑机接口竞赛第一名提高了0.15,验证了该算法能够有效减小脑电信号个体差异性影响,提高多类识别正确率。     

基于小波包-AR谱和深度学习的轴承故障诊断研究

针对轴承故障信号的非平稳性和非线性特点,本文采用小波包分解和自回归(auto-regressive,AR)谱估计相结合的方法提取振动信号有效特征值,为了提高诊断结果的精度,提出用深度信念网络(deep believe network,DBN)进行诊断模型训练。首先通过对轴承振动信号进行小波包分解和自回归谱估计,累加不同频段的能量实现轴承故障特征提取,然后将提取到的特征值作为深度信念网络的输入向量,进行模型训练,最后用训练好的模型进行轴承故障诊断。为验证本文所提方法的有效性,采用美国凯斯西储大学提供的旋转轴承数据集进行实验。在输入相同数据集的前提下,对比了DBN和灰色关联分析(grey relational analysis,GRA)、支持向量机(support vector machine,SVM)、反向传播神经网络(back propagation neural network,BPNN)这四种方法的识别准确率。结果表明DBN识别效果较好。从而验证了本文所提方法的可行性和有效性。     

Human emotion recognition using deep belief network architecture

Recently, deep learning methodologies have become popular to analyse physiological signals in multiple modalities via hierarchical architectures for human emotion recognition. In most of the state-of-the-arts of human emotion recognition, deep learning for emotion classification was used. However, deep learning is mostly effective for deep feature extraction. Therefore, in this research, we applied unsupervised deep belief network (DBN) for depth level feature extraction from fused observations of Electro-Dermal Activity (EDA), Photoplethysmogram (PPG) and Zygomaticus Electromyography (zEMG) sensors signals. Afterwards, the DBN produced features are combined with statistical features of EDA, PPG and zEMG to prepare a feature-fusion vector. The prepared feature vector is then used to classify five basic emotions namely Happy, Relaxed, Disgust, Sad and Neutral. As the emotion classes are not linearly separable from the feature-fusion vector, the Fine Gaussian Support Vector Machine (FGSVM) is used with radial basis function kernel for non-linear classification of human emotions. Our experiments on a public multimodal physiological signal dataset show that the DBN, and FGSVM based model significantly increases the accuracy of emotion recognition rate as compared to the existing state-of-the-art emotion classification techniques.     

基于图卷积网络的运动想象识别

运动想象识别将大脑的神经活动信号转为编码输出以实现意念控制,是脑机接口的一个重要研究方向.近年来深度学习算法的应用进一步提高了运动想象识别的准确率,但是当前基于深度学习的运动想象分析都将多路脑电信号作为二维矩阵信号,忽视了不同节点的空间关联信息.为了解决这个问题,将图卷积网络算法应用到运动想象分类中,通过多个节点脑电信...     

基于EEG和DE-CNN-GRU的情绪识别

近年,情绪识别研究已经不再局限于面部和语音识别,基于脑电等生理信号的情绪识别日趋火热.但由于特征信息提取不完整或者分类模型不适应等问题,使得情绪识别分类效果不佳.基于此,本文提出一种微分熵(DE)、卷积神经网络(CNN)和门控循环单元(GRU)结合的混合模型(DE-CNN-GRU)进行基于脑电的情绪识别研究.将预处理后的脑电信号分成5个频带,分别提取它们的DE特征作为初步特征,输入到CNN-GRU模型中进行深度特征提取,并结合Softmax进行分类.在SEED数据集上进行验证,该混合模型得到的平均准确率比单独使用CNN或GRU算法的平均准确率分别高出5.57%与13.82%.     

基于多级纹理特征的深度信念网络人脸识别算法

为解决人脸特征提取过程中局部特征缺失的问题,借助局部二值模式(LBP)与方向梯度直方图(HOG)提出一种基于多级纹理特征融合的深度信念网络人脸识别算法。以提取局部纹理特征以及边缘纹理特征为出发点,对人脸图像进行三级纹理特征提取。使用MB-LBP提取初级纹理特征;在此基础上进行改进的CS-LBP图像特征提取作为二级纹理特征;使用HOG算子在二级纹理特征上完成三级纹理特征提取。将二级和三级纹理特征直方图顺序串联融合后输入到深度信念网络(DBN)逐层贪婪训练,优化网络参数,并用优化的网络在ORL、YELA人脸标准库中进行测试,识别率均在92%以上。该算法与传统算法(SVM、PCA)相比较拥有更好的人脸识别效果,同时也表明了局部纹理特征的改善为识别过程的特征提取提供强有力的保障,为人脸识别的进一步研究开拓新思路。     

Automated Deep Learning Based Cardiovascular Disease Diagnosis Using ECG Signals

Automated biomedical signal processing becomes an essential process to determine the indicators of diseased states. At the same time, latest developments of artificial intelligence (AI) techniques have the ability to manage and analyzing massive amounts of biomedical datasets results in clinical decisions and real time applications. They can be employed for medical imaging; however, the 1D biomedical signal recognition process is still needing to be improved. Electrocardiogram (ECG) is one of the widely used 1-dimensional biomedical signals, which is used to diagnose cardiovascular diseases. Computer assisted diagnostic models find it difficult to automatically classify the 1D ECG signals owing to time-varying dynamics and diverse profiles of ECG signals. To resolve these issues, this study designs automated deep learning based 1D biomedical ECG signal recognition for cardiovascular disease diagnosis (DLECG-CVD) model. The DLECG-CVD model involves different stages of operations such as pre-processing, feature extraction, hyperparameter tuning, and classification. At the initial stage, data pre-processing takes place to convert the ECG report to valuable data and transform it into a compatible format for further processing. In addition, deep belief network (DBN) model is applied to derive a set of feature vectors. Besides, improved swallow swarm optimization (ISSO) algorithm is used for the hyperparameter tuning of the DBN model. Lastly, extreme gradient boosting (XGBoost) classifier is employed to allocate proper class labels to the test ECG signals. In order to verify the improved diagnostic performance of the DLECG-CVD model, a set of simulations is carried out on the benchmark PTB-XL dataset. A detailed comparative study highlighted the betterment of the DLECG-CVD model interms of accuracy, sensitivity, specificity, kappa, Mathew correlation coefficient, and Hamming loss.